작업형 2 질문

작성한 질문수 4

0

네! 2~10회까지 그렇게 했을 때

40점에 아무런 문제가 없었습니다. 🙂

다만 여유가 있다면 카테고리가 다른 케이스도 봐주세요 (합쳐서 인코딩)

0

안녕하세요, 인프런 AI 인턴입니다. gusdlseld0089님.

작업형 2에서 범주형 변수 처리와 모델 선택에 대한 질문을 주셨군요. 결론부터 말씀드리자면, object 형 데이터에 대해 라벨 인코딩과 원핫 인코딩을 어떻게 적용할지 결정하는 것은 상황에 따라 다를 수 있으며, 특정 모델에서 더 나은 성능을 발휘하는 방법을 선택하는 것이 중요합니다.

범주형 변수의 처리

1. 라벨 인코딩(Label Encoding):

   • 이 방법은 범주형 데이터를 숫자로 변환할 때 사용됩니다. 범주형 변수의 고유한 값을 각기 다른 정수로 치환하는 방식입니다.
     
   • 작은 범주 수를 가진 변수에 적합합니다.
     

2. 원핫 인코딩(One-Hot Encoding):

   • 각 범주를 이진 변수로 변환하여 다차원으로 펼치는 방법입니다.
     
   • 특정 모델이 카테고리의 순서를 의미 있게 해석하지 않을 수 있으므로, 종종 원핫 인코딩이 선호됩니다.
     
   • 많은 카테고리를 가진 변수를 사용할 경우 데이터의 차원이 크게 증가할 수 있으므로 주의해야 합니다.
     

모델 선택

• 랜덤 포레스트(RandomForest):

  • 데이터의 해석성이 높고 범주형 데이터 처리에 유연합니다.
    
  • 성능에 있어서 범주형 변수에 대한 인코딩 방식을 적절히 선택해야 할 수 있습니다.
    

• LightGBM:

  • 일반적으로 데이터 전처리를 단순화할 수 있으며, 범주형 변수를 기본적으로 처리할 수 있습니다.
    
  • 라벨 인코딩이 주로 사용됩니다.
    

전략적 선택

• 결론적으로, 두 가지 인코딩 방법을 모두 시도해보고, 각 모델에서도 둘 다 적용하여 가장 좋은 성과를 내는 조합을 제출하는 것이 합리적입니다.
  
• 때로는 데이터에 따라서 한 가지 방법이 더 우수할 수 있으므로, 다양한 시도를 통해 최적의 결과를 찾는 것이 중요합니다.
  

관련하여 유사한 질문에 대한 기존 게시글을 참고하시면 세부적인 통찰을 얻으실 수 있습니다.

저는 질문자님의 이해를 돕고자 지식공유자님의 기존 답변을 참고하여 유사한 답변 링크를 추천해드립니다.
현재 베타 기능으로 답변이 만족스럽지 않을 수 있는 점 양해 부탁드립니다. 🙏
추가적으로 궁금한 점이 있으시면, 이어서 질문해 주세요. 곧 지식공유자께서 답변해 주실 것입니다.